通知

SPWLA培训通告--基于人工神经网络的油基泥浆微电阻率成像仪定量解释

2019-11-26 16:27:20 administrator 82

图片关键词

主讲人:Zikri Bayraktar--斯伦贝谢

主讲人简介:Zikri Bayraktar是马萨诸塞州剑桥斯伦贝谢Doll Research研究中心的高级机器学习研究科学家,专注于人工智能和基于机器学习的工程问题解决方案,研究范围从钻孔到地震。2011年,他在宾夕法尼亚州立大学获得电子工程博士学位和计算科学博士学位。Bayraktar博士也是Schreyer荣誉学院(Schreyer Honors College)的校友,该学院在宾夕法尼亚州立大学(Penn State)开设了综合本科生/研究生课程,获得了电机工程硕士和理学学士学位。毕业后,他在宾夕法尼亚州立大学完成了为期一年的博士后工作,并于2012年加入IBM半导体研发中心,担任顾问工程师,专注于IBM服务器微芯片的生产。自2014年以来,Bayraktar博士最初在斯伦贝谢计算电磁组工作,目前在自动化地质部门工作。Bayraktar博士发表了超过45篇期刊和会议论文,并提交了多项专利申请,重点关注石油和天然气行业的机器学习应用。他是SPE、SPWLA、IEEE协会的成员。Bayraktar博士还担任SPWLA 2020杰出演讲者之一,以及IEEE天线和无线传播通信特别集群期刊“电磁学、天线和传播中的机器学习应用”的主要客座编辑。


研讨会摘要:新一代油基泥浆(OBM)微电阻率成像仪提供了真实感高分辨率的定量地层成像。现有的解释方法之一是基于复合处理提供明显的无阻效应的视电阻率图像。另一种是基于反演的工作流程,这是一种替代性的定量解释,在两个频率下提供更高质量的电阻率图像、按钮间距和地层介电常数。本文提出了一种基于人工神经网络(NNs)的OBM成像数据定量解释工作流程,以替代基于反演的工作流程。机器学习方法旨在使地层电阻率、介电常数和距离像的反演质量至少提高一个数量级,使其适合在自动解释服务上实现,并与其他基于机器学习的算法集成。主要的挑战是未充分确定的问题,因为OBM成像仪每个按钮仅提供四个测量值,需要预测与地层、泥浆性质和防区外相关的八个模型参数。研究了相应的非线性回归问题,以确定刀具灵敏度和最准确、可靠地预测每个未知参数所需的输入组合。这项研究导致了级联前馈神经网络的设计,即在每个阶段预测一个或多个模型参数,然后作为输入传递到工作流中的后续步骤,直到准确地获得所有未知。反演场数据集和有限元电磁建模合成数据均用于多个训练场景。在第一个策略中,使用来自少数按钮的场数据和现有的反演结果来训练单个神经网络,以再现所有其他按钮的僵持和电阻率图像。尽管生成的图像与反演得到的图像具有可比性,但该方法取决于泥浆性质变化的现场数据的可用性,这目前限制了NNs对不同泥浆性质和地层性质的推广。在第二种策略中,我们利用有限元模型(FEM)模拟器的综合响应,对各种防区外、地层和泥浆特性开发了一个级联工作流,其中每个阶段预测一个或多个模型参数。工作流程的早期阶段根据低地层电阻率数据段预测泥浆性质。然后,NNs将两个频率下估计的泥浆角和介电常数输入到工作流程的下一个阶段,以最终预测井距、地层电阻率和地层介电常数。测量灵敏度的知识对于设计有效的参数化和稳健的级联神经网络至关重要,这不仅是因为问题的数学性质不确定,而且还因为泥浆和地层性质变化和测量的动态范围很广。给出了处理后的电阻率、间距和介电常数图像的结果,与反演生成的图像有很好的一致性和一致性。两种策略的结合,即对合成数据和现场数据的培训,可以进一步提高稳健性,允许定制特定地层、泥浆或应用的解释应用程序。


请通过MEMBERSHIP@SPWLA.ORG电子邮件中的链接注册一个符合您日程安排的网络研讨会。该网络研讨会有两个时间可以选择:

上午-美国中部时间1月14日星期二上午8点至9点。

晚上-美国中部时间1月15日星期三晚上8点到9点。

完成网络研讨会注册所需步骤:

1、使用SPWLA注册页完成结帐(费用:当前会员免费,非会员25美元)

2、回复来自membership@spwla.org的第二封电子邮件,并附上完成网络研讨会注册的链接。此步骤是查看网络研讨会所必需的。


来源:https://www.spwla.org/SPWLA/Meetings_Resources/Event_Display.aspx?EventKey=WEBJAN2020&WebsiteKey=2bd2b1b6-589e-401d-a9bb-9af59ad1b656